文摘
实现准确的检测一个未知的无线电发射机(轨道交通)已成为一个挑战问题由于其未知参数信息。方法基于接收信号强度的差异(RSSD)指纹定位技术和使用因素图(FG)已成功开发出实现轨道交通的本地化。然而,RSSD-based FG模型不够准确表达RSSD之间的关系和相应的位置坐标RSSD方差以来在实践中参考点是不同的。本文提出了一种增强RSSD-based FG算法使用加权最小二乘(WLS)有效降低RSSD测量方差差异对定位精度的影响。通过使用随机RSSD测量值之间的误差的估计价值选择的参考点,我们利用重量误差矩阵来建立一个新的WLSFG模型。然后,提出的定位过程与sum-product RSSD-WLSFG算法派生原则。此外,本文还探讨了影响不同的接入点(AP)数字定位精度和网格的距离。仿真实验结果表明,该算法可以获得最佳的定位性能比传统RSSD-based K最近邻(RSSD-KNN)和RSSD-FG算法对于不同美联社数字和网格的距离。
1。介绍
目前,各种各样的无线电信号已经广泛使用,存在于我们的日常生活中。加强监测非法无线电频谱资源,保护合法用户的权益,打击非法信号的占领资源相关的安全和隐私的国家,企业和个人。一个具有挑战性的问题,实现了准确的检测一个未知的无线电发射机(轨道交通)是一个重要的无线电管理工作。
目前,大多数的城市轨道交通开发基于定位技术测量获得的接入点(AP)。测量主要包括到达时差(辐射源脉冲)1),频率不同的到来(FDOA) [2),接收信号强度(RSS) (3,4),到达角(AOA) [5),其中混合(6,7]。在所有的测量,基于rss的指纹定位技术广泛用于没有额外的天线阵列的特性,没有时间限制,同步和低成本。基于rss的指纹定位方法的过程主要分为两个阶段,即:离线数据库建立阶段和在线定位阶段。在离线数据库建立阶段,RSS测量收集来自不同接入点(APs)部署在定位区域。然后,RSS和相应的位置坐标构建离线指纹数据库。在在线定位阶段,定位目标位置估计通过收集RSS指纹匹配的测量和实时数据库与适当的定位算法。两种典型的基于rss的指纹定位技术使用K最近邻(资讯)8雷达()方法9]缩写为4神经网络算法和LANDMARC [10),分别。资讯的基本原理是计算的位置定位目标平均K与最小欧氏距离参考点的位置指纹数据库中找到。然而,基于rss的指纹定位技术是很难准确地检测轨道交通的城市轨道交通由于传输能量是未知的。之后,一个健壮的指纹方法基于接收信号强度的差异(RSSD)首次提出消除影响硬件变化引起的无线电发射机在离线阶段和在线阶段(11]。文献[12]提供了一个合作基于RSSD /目标辐射源位置算法,适合的应用场景先验知识未知的传输能量和信号传输等瞬时时间的主要用户。
在所有的定位算法,基于因子图的技术(FG)是著名的低计算复杂度和高定位精度。多种基于上述各种测量的FG定位技术近年来已经开发出来。TOA-FG [13,14)技术使用信号传播的时间之间的无线电发射机和APs估计的距离,但它需要的时钟同步。为了不受限制的无线电发射机之间的时钟同步和APs TDOA-FG技术利用双曲方法提出了(15]。此外,(16)会出现另一个毕达哥拉斯TDOA-based FG (PTDOA-FG)技术。应该注意的是,无线电发射机和APs还需要参考节点的时钟同步。然而,TOA-based FG和TDOA-based FG方法都更适合视线(LOS)定位场景。RSS-FG [17)技术克服了时钟同步的要求及建立RSS测量之间的数学关系和相应的位置坐标。此外,RSS信息包含结果信息引起的环境和设备硬件的影响,也适用于洛杉矶和nonline视线(仿真结果定位环境。然而,RSS-FG技术已被证明是不适用的轨道的精确定位,因为我们不能获得未知源信号的传输频率和力量。文献[18)提出了一种RSSD-FG技术实现检测的城市轨道交通。此外,它还可以减轻硬件变化引起的城市轨道交通的影响。然而,在RSSD-FG算法建立的数学模型不够准确,因为该模型认为RSSD测量方差的每个选定的参考点是相同的,而忽略了不同的RSS测量方差在选定的参考点。因此,选择参考点与大型RSSD测量方差对模型精度有很大影响,导致减少了定位精度。
在这篇文章中,我们将RSSD-based FG指纹定位技术和加权最小二乘(WLS)方法提出RSSD-WLSFG算法。更准确的RSSD-based WLSFG模型表达RSSD测量之间的关系和相应的位置坐标。不同于RSSD-FG RSS-FG后计算线性方程的系数之间的位置坐标和RSSD通过使用最小二乘(LS),本文利用随机RSSD测量值之间的误差的估计价值选择参考点来构造误差权重矩阵和WLS法得到的系数。通过这种方式,它可以减少较大的选择参考点测量方差的影响,实现更精确的模型。拟议中的RSSD-WLSFG定位系统检测轨道交通是如图1。四个APs是作为一个例子来表达该方法用于我们的工作。起初,APs部署具有一定位置定位区域。定位区域划分为网格边长的地区 。网格的顶点区域被定义为参考点,和是表示网格的距离。第二,我们选择一个已知的无线电发射机遍历每个参考点和由不同的APs RSS测量记录。然后,加工RSSD和相应的参考点位置坐标存储在脱机指纹数据库。最后,当一个城市轨道交通作为定位目标进入定位区域,它的实时测量RSS将收集并上传到电脑服务器。电脑服务器转换RSSD测量的位置坐标定位目标通过使用因子图和sum-product算法。因子图的软信息是运输因素的变量节点和节点之间,直到定位目标的估计位置。
在我们的研究中,提出了RSSD-WLSFG技术被认为是一种有效的方法来检测一个轨道交通。的主要好处是简要总结如下:复杂的问题可以转化为子问题的局部变量更少。处理RSS测量的均值和方差的高斯分布形式。RSSD之间更精确的数学模型和位置坐标建立了WLS法减少的影响差异的方差RSSD在不同参考点定位精度。
剩下的纸是组织如下。我们介绍了因子图和sum-product算法和RSSD-FG模型部分2。接下来,提出RSSD-WLSFG派生算法和详细的迭代过程3。在部分4和5RSSD-WLSFG的定位性能比较与传统4 nn方法使用RSSD信息(RSSD-4NN)和RSSD-FG算法通过大量的仿真实验。
2。该算法和系统模型
在本节中,我们表达的因子图和sum-product算法用于有效地处理RSS测量实现本地化的城市轨道交通。因子图的主要思想和sum-product算法简要总结如19]。然后,一个RSSD-based FG用这种方法建立模型。在以下小节中,我们引入了图的精神因素和sum-product原则。
2.1。因子图和Sum-Product算法
因子图是一个双向图,描述了如何将一个多变量全局函数分解成多个本地函数的乘积。基于因子图,sum-product算法计算全局函数的边缘分布的软信息传输相应的图模型。一般来说,变量的因子图模型包括节点( )节点(和因素 )如图2。因素的节点代表了当地相关函数节点变量节点 。考虑因素图如图的片段2分离因子节点,与联合分布到组织。在这里,计算本地函数可以解决的问题通过使用sum-product算法。sum-product算法是通过收集当地的软信息传播功能产品沿着路径系数图。变量节点和因素之间的软信息运输节点代表随机变量节点相关联的属性。与几个迭代过程变量节点和因素之间的软信息运输节点、变量的解问题表达的因子图可以很容易地获得。
在本文中,我们表示 是软信息运输从节点到节点b,代表变量节点和测量误差的统计特性的形式高斯概率密度函数( )。的均值和方差 是和 ,分别。例如,软信息传输来可以表达的 在哪里节点的索引号。一些独立的高斯分布的产品仍然是一个高斯分布。的均值和方差 可以获得的
因素的软信息运输节点变量节点可以从本地函数的乘积计算相关系数节点和所有其他变量节点的软信息 在哪里 是节点的位置功能因素与所有变量节点相关联。与上述sum-product更新规则(1)- (4),变量节点可以通过所有的软信息转达了估计节点对应的因素。因此,我们可以计算整个软信息用这种方法如下:
2.2。RSSD-Based因素图系统模型
RSSD-FG技术首次引入检测一个城市轨道交通(18)和RSSD-based FG模型如图3。拟议中的RSSD-based FG模型还包括两种类型的节点,节点(因素 , , , , , , , ,和 )和变量节点( , , , , , , ,和 ),在哪里是美联社的索引号(= )和是美联社的数字。首先,RSS测量不同的APs用作输入测量( , ,。. ., )。当一个城市轨道交通进入定位区域,美联社将收集RSS测量和他们可以表示为 在哪里是RSS的RSS错误测量以瓦特为单位( )并且它可以获得的平均采样值和数据过滤。代表了测量误差,它可以表达的零均值高斯分布( )。为了更好地反映本地RSS的线性特征,它是加工在对数刻度, 。对数RSS测量分布是高斯近似(17]。因素节点利用对数RSS测量和RSS的方差度量生成变量节点用高斯分布( ),在哪里和采样的均值和方差是对数RSS,分别。因素节点代表两种不同的APs的减法关系组合” 。”的一个例子 ,它可以计算
同样的, , ,和 可以获得,也是美联社组合的指数。第二,因素节点传输的软信息变量节点通过使用简单的局部功能。最后,根变量节点和结合软信息的节点基于sum-product算法的连接因素。因此,城市轨道交通将估计的位置与几个迭代过程中源节点和节点变量因素。
从对数正态分布跟踪模型已知,RSS测量距离美联社有关。因此,变量节点位置坐标之间的关系( , )和对数RSSD ( )可以制定一个超平面方程(18),可以表达的 在哪里 , ,和系数和是一个非零常数设置为1。得到的系数(8),我们需要四个不同的方程,利用最小二乘(LS)的方法(18]。本文选择四个参考点使用RSSD-4NN技术和定位区域包括这四个参考点被定义为subpositioning区域。由于对数RSSD测量和四个参考点的位置,四个超平面方程的矩阵形式 - - - - - -美联社组合是由 在哪里 在哪里 , ,和是超平面方程的系数对应 - - - - - -th美联社组合, (= 1,2,3,4)参考点的位置坐标,和的平均对数RSSD测量吗 - - - - - -th的参考点 - - - - - -美联社组合。根据(10),可以计算系数 。因此,位置坐标和之间的关系 - - - - - -th对数RSSD选择subpositioning区域内。现在的subpositioning区域轨道交通已经确定,可以更换的实时RSSD定位目标和关系可以表达的 在哪里是RSSD变量节点的 - - - - - -美联社组合。相关的数学关系不同的美联社组合可以通过相同的方法。
3所示。提出RSSD-WLSFG算法
3.1。RSSD-Based WLSFG模型
实际上,RSSD测量方差不同的参考点不同是由于不断变化的情况下,多路径效应,测量位置,等等。为了获得更准确的位置坐标和RSSD当地关系,一个新的RSSD-based WLSFG模型本文提出了。首先,我们使用RSSD-4NN方法确定subpositioning区域从参考点和利用LS方法获取坐标之间的关系( )和测量RSSD ( ),这是表达的
从(9)的系数(12)可以通过LS方法。其次,我们使用( )计算估计对数RSSD ( )的 - - - - - -th的参考点 - - - - - -根据(th美联社组合12)和随机误差RSSD给出测量值与估计值之间的 在哪里是随机的估算值和测量值之间的误差 - - - - - -th的参考点 - - - - - -美联社组合。因此,随机误差的加权矩阵构造给定 在哪里
如果双方(9)乘以 ,我们可以获得一个新的超平面方程表达的
在这里,新超平面方程的系数可以通过LS方法给出的计算 在哪里 是新超平面方程的系数矩阵。因此,新的关系协调变量节点( )RSSD变量节点在选择subpositioning区域内,由
另一个超平面方程对应不同的美联社组合可以获得通过使用相同的过程。
3.2。软信息计算和迭代的过程
根据sum-product算法,本节介绍了如何计算,并推导出迭代软信息的过程。最初的软信息传递的变量节点和将节点应该首先计算。根据sum-product算法, 和 是由
采取 例如,它的均值和方差可以计算
同样,软信息 也可以获得。从(18),软信息 节点运输的因素变量节点可以获得的
然后,软信息 可以用相似的方式计算。变量的软信息运输节点因素等于因素节点变量节点 ,在哪里 和 。从(7),软信息 通过计算
因素的节点和直接传输节点的软信息 ,在哪里 , 和 ,和 ,分别。根据(6), 和 可以直接获得。同样的,其他AP的运输软信息的组合也可以获得。
正如上面提到的,所有的软信息与sum-product算法计算和整个迭代过程会重复,直到目标的估计位置。最后,软信息和可以更新
从(27)和(29日),城市轨道交通是由估计的位置和 。对于更好地理解,我们总结整个迭代过程如表所示1。
4所示。模拟和分析
为了演示RSSD-WLSFG提出算法的性能,不同的算法的计算机模拟是MATLAB2014a的平台上进行。100年的模拟场景由随机目标位置,4 APs,定位面积100 m100米。在这里,我们选择了一个著名的和容易实现对数跟踪模式20.RSS]生成随机测量,这是表达的 在哪里之间的距离是 - - - - - -参考点, - - - - - -美联社报道,是参考距离,RSS在分贝参考吗 , 的RSS - - - - - -th的参考点 - - - - - -美联社报道,路径损耗指数,代表RSS测量服从零均值高斯分布的方差( )。然后,随机RSS测量可以认为是高斯分布( )。由于多路径效应,小尺度衰落,系统硬件的影响,测量误差,在不同的参考点是不一样的。我们表示 ,和变量被假定为高斯分布( )。在这里,我们定义是所有参考点的平均方差,在哪里 和是参考点的数量。的典型值= 1米,= 10 dB= 1.8 (17]。为了验证提出RSSD-WLSFG算法的定位性能,随5 dB间隔5 dB和30 dB是固定在5 dB在我们的模拟。离线数据库的模拟RSS测量数据和在线定位可以获得目标的方法(17]。起初,100个城市轨道交通位置是随机选择的定位面积100 m100米和4 APs的位置坐标与固体”“马克(17日25),(75),(67、75),(83年25)m,分别。提出RSSD-WLSFG算法的定位结果如图所示4。图5表明,均方根误差(RMSE)该算法的快速减少迭代的越来越多。当迭代的数量接近10,RMSE会稳定在1.35。可以看出,该算法具有快速收敛。接下来,考虑到不同的RSS测量方差,RSSD-4NN和RSSD-FG算法选择与该算法在不同的网格距离和美联社的数字。首先,三个算法是模拟不同网格的距离(1.5米,2米,3米)和4 APs对这些算法的定位性能进行评估。从仿真结果图6,它可以获得该RSSD-WLSFG算法定位精度高于RSSD-FG算法和RSSD-KNN算法的三种不同网格的距离。采取= 20 dB和= 1.5米为例,每个算法的RMSE RSSD-WLSFG 1.31米,RSSD-4NN RSSD-FG 1.43米,1.82米。从曲线的趋势可以看出,能达到更高的定位精度和较小的网格的距离。RSSD-WLSFG和RSSD-FG算法,这主要是因为subpositioning面积越小,这是由于网格距离越小,更有相应的超平面近似与阴影区域的要求。RSSD-4NN算法,大电网的距离会导致更少的参考点在数据库中,它增加选定的参考点之间的距离和定位目标,从而降低精度。
第二,我们探索不同美联社数字定位精度的影响。它可以发现RMSE变得越来越小当AP的数量增加,如图7。与RSSD-FG和RSSD-4NN算法相比,提出的RMSE RSSD-WLSFG算法与相应的美联社数字是最小的。然而,增加AP数量,提高定位精度不是无限的。四个APs的RMSE是1.41米,这类似于五APs是1.37米。同样,四个APs的RMSE曲线也非常接近RMSE五APs的曲线。此外,即使使用四个APs,该算法仍然有更高的精度比传统的五APs RSSD-4NN算法。由于超平面近似最优超平面的美联社4 APs自然形状组成的四个边缘锋利的点。因此,参考点的正方形是优于圆,矩形等形状。RSS-FG技术不使用正方形是由于道路的实际环境中(21]。最重要的是,我们利用四个轨道交通APs满足检测要求。
5。实验结果和讨论
最后,提出RSSD-WLSFG算法是通过现场试验验证,这是位于一楼的国家无线电监测中心,北京。测试字段包含一个办公室及其相邻走廊面积14.48.4米和14.4米分别为2.1米。测试领域的总面积为151.2平方米。此外,办公室的墙上有四个窗户和两个门在墙附近的走廊,没有分区或隔间。办公室的主要项目有六个一排排的桌子,椅子和电脑和人类可以自由进入和离开经常在整个测试。测试领域的布局如图8。
在离线指纹数据库建立阶段,定位区域分为两种网格距离:1.5米和2米。四个SA44B(信号猎犬有限公司)信号接收器被用作APs收集RSS测量。的数量和布局APs两种类型,选择哪些标签“1 #”和“2 #”,如图8。四个APs标记“1 #”部署在办公室(2)米,(5)米,(9)m,分别和(8、12)m。三个APs位置标记“2 #”(2、7)m (6,3) m,分别和(6,9)m。在这个实验中,无线电发射机TFG6300(起诉有限公司)用于建立指纹数据库,作为城市轨道交通在发射“频率/强度可调。“为了更好地证明提出的适应性RSSD-WLSG不同频率和强度的算法,我们选择“1 GHz / 20 dB“离线数据库和“300 MHz / 13分贝”城市轨道交通在测试。这里,RSS的测量获得的指纹数据库中的每个参考点平均100 RSS样本中的每个AP。定位区域,50个测试点选择本地化测试。
平均位置误差和累积分布函数(CDF)位置的错误作为关键评价指标比较RSSD-WLSFG的性能,RSSD-FG, RSSD-4NN。平均位置错误的特点是所有的平均偏差值估计的定位目标,而真正的位置,和CDF代表的分布位置错误百分数表示。首先,测试比较不同网格的距离(1.5米和2米)的三个算法进行定位。不同的算法的平均位置错误与四个APs如表所示2。当网格距离是1.5米,平均误差的位置提出RSSD-WLSFG算法1.06 。相比之下,平均位置的错误RSSD-FG RSSD-4NN 1.24米和1.42米,分别。网格距离增加到2米,意味着RSSD-4NN位置错误,RSSD-LSFG,和RSSD-WLSFG 1.72米,1.45米,1.27米,分别。RSSD-4NN的运作,RSSD-FG, RSSD-WLSFG如图9。当网格距离是1.5米或2米,该算法的合格的测试点的数量在不同的位置错误,比其他两种算法。考虑位置误差在1.5 m, CDF RSSD-4NN每个算法52% RSSD-FG为66%,72%,RSSD-WLSFG当网格距离是1.5米。RSSD-4NN的提供、RSSD-FG RSSD-WLSFG是36%,54%和62%,分别,当网格距离是2米和位置误差在1.5 m。结果表明,RSSD-WLSFG提出算法的定位精度比RSSD-FG RSSD-4NN无论网格距离1.5米或2米。
接下来,我们探索的美联社的影响定位精度的实验。选择1.5米网格距离来评估不同的算法的定位性能当APs的数量是3和4,分别。均值的比较不同算法之间的位置误差为1.5 m网格距离如表所示3。RSSD-4NN的平均位置错误,RSSD-FG RSSD-WLSFG算法1.79米,1.55米,1.31米,分别利用3 APs的时候。它可以观察到实验结果的比较,三种算法的平均位置错误1.36米,1.19米,1.09米,分别与4 APs。图10显示了与不同的APs提供比较的位置错误。RSSD-4NN的提供、RSSD-FG RSSD-WLSFG是42%,56%,和62%,分别,当AP的数量是3和位置误差在1.5 m。当AP的数量增加到4,CDF RSSD-4NN每个算法62% RSSD-FG为68%,72%,RSSD-WLSFG位置误差在1.5 m。结果表明,AP的数量的增加可以提高定位精度。在不同数量的美联社,定位算法的性能优于其他两种算法。上述实验结果表明,该RSSD-WLSFG算法定位精度高于RSSD-4NN不同网格距离和美联社RSSD-FG数字。
6。结论
对城市轨道交通在无线电管理的本地化要求,本文提出了一种新的RSSD-WLSFG算法实现更精确的检测的城市轨道交通。高斯假设的RSS测量,一个增强RSSD-based FG模型建立了WLS法消除参考点的方差多样性的影响。通过重量计算,RSSD测量值和位置坐标之间的关系更加合理和准确,这有效地减轻了错误造成的较大的参考点的方差RSSD测量。的软信息计算和迭代过程提出RSSD-WLSFG算法推导出利用sum-product算法。此外,考虑的主要因素影响的准确性指纹定位技术在实际应用中,该算法的定位性能在不同网格的距离和不同的美联社号码是探索,分别。大量的实验结果表明,该方法具有更好的定位性能比RSSD-FG RSSD-4NN算法。它不仅满足定位要求,而且有更好的应用前景。美联社的布局和检测multi-URTs将参与我们的未来研究。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
作者欣然承认支持工业和信息化部的中华人民共和国(CN) (12-MC-KY-14)。